Data Analytics for Engineers
- Type: Lecture / Practice (VÜ)
- Chair: KIT Department of Mechanical Engineering
- Semester: SS 2025
-
Time:
Thu 2025-04-24
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-05-08
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-05-15
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-05-15
17:30 - 19:00
Thu 2025-05-22
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-06-05
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-06-26
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-06-26
17:30 - 19:00
Thu 2025-07-03
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-07-10
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-07-10
17:30 - 19:00
Thu 2025-07-17
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-07-24
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
Thu 2025-07-24
17:30 - 19:00
Thu 2025-07-31
14:00 - 15:30, weekly
10.91 Franz-Grashof-Hörsaal
10.91 Maschinenbau, Altes Maschinenbaugebäude (2. OG)
-
Lecturer:
apl. Prof. Dr. Ralf Mikut
apl. Prof. Dr. Markus Reischl
Stefan Meisenbacher - SWS: 3
- Lv-No.: 2106014
- Information: Blended (On-Site/Online)
Content | Content:
Learning objectives: The students are able to apply the methods of data analysis efficiently. They know the basic mathematical data mining foundations for the analysis of single features and time series using classifiers, clustering and regression approaches. They are able to use various relevant methods as Bayes classifiers, Support Vector Machines, decision trees, fuzzy rulebases and they can adapt application scenarios (with data preprocessing and validation techniques) to real-world applications. |
Language of instruction | German |
Bibliography | Vorlesungsunterlagen (ILIAS) Mikut, R.: Data Mining in der Medizin und Medizintechnik. Universitätsverlag Karlsruhe. 2008 (PDF frei im Internet) Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, R.: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung. Berlin u.a.: Springer. 2000 Burges, C.: A Tutorial on Support Vector Machines for Pattern Recognition. Knowledge Discovery and Data Mining 2(2) (1998), S. 121–167 Tatsuoka, M. M.: Multivariate Analysis. Macmillan. 1988 Mikut, R.; Loose, T.; Burmeister, O.; Braun, S.; Reischl, M.: Dokumentation der MATLAB-Toolbox SciXMiner. Techn. Ber., Forschungszentrum Karlsruhe GmbH. 2006 (Internet) |